Evaluación de la estructura horizontal y vertical de bosque nativo usando LIDAR J. Hernández P. y P. Corvalán V. Laboratorio de Geomática y Ecología del Paisaje Facultad de Ciencias Forestales y Conservación de la Naturaleza UNIVERSIDAD DE CHILE RESUMEN La medición terrestre de la estructura horizontal y vertical de los bosques tiene múltiples aplicaciones tanto en gestión del recurso forestal como en conservación de la biodiversidad, pero es un método de obtención de información lento y caro. Por ello se analiza el uso de información LIDAR como método alternativo en bosques naturales dominados por la especie Nothofagus oblicua en la pre-cordillera de Curicó, Chile. Tanto los datos LIDAR como los datos de terreno fueron capturados sobre una superficie de 1.300 ha en el mismo periodo. Se utilizaron datos de cuatro ensayos de raleo más una zona testigo, cada una de una hectárea. De la nube de puntos LIDAR se extrajo los modelos digitales de superficie (MDS) y de terreno (MDT). De la diferencia entre ambos de obtuvo el modelo digital de de la vegetación (MDC), que permitió clasificar y estratificar las superficies de bosque y no-bosque. Sobre un segmento de la información de las superficies clasificadas como bosque se realizó una modelación y extracción de parámetros de la distribución estadística de puntos LIDAR, por unidades de superficie cuadradas continuas, que permitió una caracterizar la estructura vertical de la vegetación, lo cual fue calibrada con los datos de terreno. El resto de información fue utilizada para validar el modelo. El análisis de los parámetros de la variación espacial de las variables estimadas con LIDAR permitió evaluar la heterogeneidad horizontal de la estructura de la vegetación. Los resultados indican que usando la clasificación de estructuras basadas en modelos que utilizan información LIDAR no existen evidencias significativas con respecto a la clasificación realizada con los datos de terreno, quedando de manifiesto así el potencial del uso de esta tecnología en bosques nativos y poco accesibles. INTRODUCCIÓN La mensura tradicional ha sido impactada a partir de los años 80` por la aparición del uso de láser aerotransportado que permite una colecta masiva de datos de alta precisión (Nelson et al. 1984, Aldred y Bonnor 1985, Maclean y Krabill 1986). Los estudios iniciales se han concentrado en la determinación del perfil de alturas, densidad del rodal, determinación de especies y estimación de biomasa (Nelson et al. 1997, Nilsson 1996, y Holmgren 2003). A fines de los 80` la aparición comercial del GPS permite realizar precisas mediciones espaciales a gran escala y sumado al desarrollo de los sistemas inerciales de vuelo INS que permiten la colecta de nubes de puntos 3D del láser. Hoy es posible colectar los reflejos del láser aerotransportado (ALS) tanto del primer, el último como los múltiples pulsos junto con forma de ondas continuas y fotos aéreas, simultáneamente (Ackermann 1999, Wehr y Lohr 1999 y Steinvall 2003). Las primeras aplicaciones en el campo forestal fueron la determinación de la elevación del terreno (Kraus y Pfeifer 1998), la estimación de la altura media y el volumen del rodal (Næsset, 1997a, b), determinación de la altura y volumen de árbol individual 1 (Hyyppä y Inkinen 1999, Brandberg 1999), clasificación de especies (Brandtberg et al. 2003, Holmgren y Persson 2004) y medición del crecimiento forestal y detección de árboles cosechados (Yu et al. 2004).Las experiencias de Canadá, Noruega, Suecia y Finlandia están reportadas en Næsset (2003), Nilsson et al. (2003) y Hyyppä et al. (2003). La extracción de variables de estado de rodal ha sido dividida en métodos basados en estadística y procesos de imágenes. En primeros, las características y factores de predicción se evalúan desde modelos de superficie derivados de las mediciones láser y de nubes de puntos, que se utilizan directamente para la estimación de parámetros forestales, por lo general mediante una regresión o análisis discriminante. En los segundos se utiliza más eficientemente la información de las vecindades de nubes de puntos y píxeles de DSM. Las características físicas tales como copas, árboles individuales, grupo de árboles, o el rodal completo, pueden ser delineadas usando técnicas de procesamiento de imágenes. Después de ese proceso, los parámetros de rodal se evalúan usando los modelos existentes y los métodos estadísticos. Maclean (1982) demuestra que el área del dosel está directamente relacionada con el logaritmo del volumen de madera. Maclean y Krabill (1986) mostraron que fijando un umbral de medición de altura, se podría estimar más precisamente el volumen de madera que midiendo toda la cubierta del dosel. Los percentiles de distribución de alturas de dosel han sido usadas como predictivas en modelos de regresión para estimar la altura media de los árboles, el área basal y el volumen (Lefsky et al. 1999, Magnussen et al. 1999, 2000, Naesset 1997a,b, Naesset y Okland 2002, Naesset 2002). En Means et al. (1999), un SLICER LIDAR de huella grande fue usado en la estimación de la altura de los árboles, el área basal y la biomasa en bosques de Douglas-fir, con alturas de árboles entre 7 y 52 m, con coeficientes de determinación de 0,95; 0,96 y 0,96 respectivamente. El cierre de dosel se determinó como la proporción de la suma de reflexiones del dosel y el suelo. Naesset (2002), estimó varios atributos del rodal usando la altura y densidad del dosel usando un procedimiento de dos pasos y datos de terreno. Las métricas de altura del dosel incluyen quantiles correspondientes a 0,10,…. 0,90 del total de percentiles del primer pulso láser del dosel y sus correspondientes estadísticas. Riano et al. (2003) usaron varios parámetros estadísticos para modelar el comportamiento del fuego. La cubierta de árboles fue calculada como la proporción de reflejos de pulso del dosel dividido por el total de pulsos. La densidad del volumen de la copa se obtuvo desde la estimación de la biomasa foliar y el volumen de copa usando ecuaciones empíricas para la determinación de la masa foliar. El volumen de la copa fue estimada como el área de la copa multiplicado por la altura después de una corrección para la cobertura media del dosel. Holmgren y Persson (2004) definieron un gran número de variables de para la clasificación de especies de árbol, por ejemplo, la desviación estándar relativa de la altura de los árboles, la proporción de los retorno simples y la proporción de puntos de cobertura como el numero de retornos que fueron ubicados sobre las base de las copas dividida por el número total de retornos del segmento, la forma de la copa -ajustando una superficie parabólica la nube de puntos láser-, la intensidad media y desviación estándar de ambos retornos. La estructura horizontal y vertical de los bosques es una variable de creciente interés a evaluar por su directa relación con los temas de biodiversidad, sin embargo sus mediciones se realizan en base a 2 inventarios forestales tradicionales. Por ello es de especial interés evaluar la potencialidad de la tecnología LIDAR en la determinación de estructuras de bosque en términos comparativos a los inventarios tradicionales. En este trabajo se compara la estimación de la densidad de árboles, cobertura arbórea, alturas totales máximas y diversidad del dosel medido en unidades de 20m x 20 m y la estimación de atributos equivalentes obtenidos a partir de información LIDAR. MATERIAL Y MÉTODOS Zona de estudio: El estudio se realizó en el predio Monteoscuro, ubicado en la precordillera de Curicó, VII Región de Chile. El área de trabajo se localizó en una meseta ubicada a 1000 m.s.n.m. cubierta por renovales del tipo forestal Roble-Hualo, con predominancia de la especie Nothofagus oblicua acompañado por Quillaja saponaria, Cryptocaria alba, Citronella mucronata, Maytenus boaria, Austrocedrus chilensis en el estrato arbóreo y Luma apiculata, Azara petiolaris, Aristotelia chilensis y Lomatia dentata en el estrato arbustivo. Descripción de los ensayos:Con el objeto de evaluar la aplicación de la tecnología LIDAR en la detección de la estructura de la vegetación, se realizaron 4 ensayos de raleo sobre parcelas de 1 ha. El tratamiento T1 (2 parcelas) dejó un individuo por cepa, un distanciamiento medio de cinco metros y la eliminación de todo el sotobosque. El tratamiento T2 (2 parcelas) tuvo el mismo tratamiento que el tratamiento T1 pero además sin eliminar el sotobosque. Adicionalmente, se evaluó una parcela testigo T3, también de 1 ha, adyacente a los ensayos de raleo anteriores. En cada parcela de registró las siguientes variables para cada individuo: coordenadas UTM, especie, diámetro normal (DAP), diámetros de copa en dirección Norte-Sur y Este Oeste y la altura total. La distribución espacial de los tratamientos se indica en la figura 1. 200 m CHILE REGIONES Figura 1. Ubicación de zona de estudio y ensayos de Raleo. T1, T2 y T3 indican los tratamientos de raleo de árboles más sotobosque, solo árboles y testigo, respectivamente. 3 Los datos LIDAR e imagen digital aérea (VIS-IR) fueron adquiridos a fines de Febrero del año 2011 por la empresa Digimapas Chile Ltd. (www.digimapas.cl), usando un set Harrier 56/G4 Dual System montado sobre un Piper PA-24 Comanche. El vuelo fue conducido a una altura predio sobre el nivel del suelo de 580 m sin error de GPS, a una velocidad promedio entre los 180 a 210km/h y con una densidad de 4.64 puntos por m2 (p/m2). Los parámetros más importantes se muestran en la Tabla 1. Parámetros Valores Sensor Harrier 56 (Trimble) Scanner Riegl LMS-Q560 Tiempo 14:05-15:23 Velocidad de vuelo 180 a 210 km/h Frecuencia de pulso 100 kHz Ángulo de divergencia 0.5 mrad Frecuencia de escaneo 100 Hz Visión de campo 22.5 ° Diámetro de la huella 29 cm Longitud de onda del laser 1550 nm Altura de vuelo 580 m Densidad de puntos 4.64 p/m2 Tabla 1. Parámetros del vuelo LIDAR. Procesamiento de datos LIDAR: En primer lugar, se convirtió los datos ASCII a formato *.LAS (ASPRS, 2010) y luego se aplicó el algoritmo de curvatura multiescala (MCC-LIDAR) para clasificar los puntos que corresponden a terreno (Evans y Hudak, 2007). Se utilizó los valores de 1,5 y 0,3 como parámetros de escala y el umbral. Una vez que los puntos de terreno fueron clasificados se realizó una interpolación sobre los datos para obtener los modelos digitales de terreno (MDT) utilizando solo los puntos clasificados previamente como terreno, y un modelo digital de superficies (DSM) utilizando todos los puntos restantes o no-terreno (Isenburg et al. 2006). Posteriormente, se obtuvo la diferencia entre ambos modelos los datos para obtener un modelo normalizado de objetos digitales que en el caso de ambientes forestales se asume como un modelo digital de copas (DCM). Todos los modelos digitales tienen una resolución espacial de 1 metro. Paralelamente se trabajó directamente sobre la nube de puntos (NDP) normalizada (i.e. a cada punto se resto la altura de terreno). Para ello se desarrolló un algoritmo que permite contar el número de puntos LIDAR al interior de cubos en el espacio 3D (ver figura 2). Los cubos pueden tener un tamaño variable en los ejes X, Y, y Z (ej.: 4m x 4m x 1m) y se apilan en el sentido vertical hasta que ya no existan puntos LIDAR. De esta forma se obtiene una malla completa de cubos apilados para toda la superficie de estudio. Estos datos son complementarios al DCM pues dan cuenta de la densidad de puntos bajo el dosel arbóreo dominante y no solo de sus máximos. Procesamiento de imágenes aéreas: Las imágenes digitales aéreas (VIS+IR) fueron ortorectificadas usando los propios datos LIDAR y dispuestas en formato IMG de Erdas Imagine (Leica GeosystemsRM). La resolución espacial final fue de 1 metro. Diseño del análisis espacial: Para realizar estimaciones a nivel local, se dividió todas la parcelas en unidades de 20 x 20 metros usando una grilla sistemática, lo cual originó un total de 110 sub-parcelas Adicionalmente, la fotointerpretación utiliza sólo el espectro lumínico como información básica para la 4 clasificación sin considerar la altura. Las diferencias tienen una clara tendencia gradual, que es posible corregir con un modelo lineal o cuadrático. en total. De esta forma, los tratamientos T1, T2 y T3 contienen 45, 45 y 20 sub-parcelas, respectivamente. Este diseño se estableció para realizar las estimaciones de las variables estructurales a nivel de sub-parcela, y posteriormente vaLIDARlas con los datos de terreno. Obtención de variables de estructura horizontal: Se definieron dos variables para caracterizar la estructura horizontal, la cobertura arbórea (C) y el número de árboles por sub-parcela (N). De esta forma, Cest fue estimado utilizando cubos apilados derivados de la NDP de cada sub-parcela, de tamaño 4m x 4m x 1m. Se clasificó como bosque a todas las pilas de cubos que tuviesen una cuenta mayor a cero a partir de los 6m de altura (i.e. sexto cubo apilado). Para obtener los datos de referencia (C obs)se realizó una fotointerpretación sobre la zona de estudio y con la ayuda de una malla de puntos se asignó el porcentaje de bosque y no-bosque en cada sub-parcela. Para la estimación del número de árboles Nest, se procesó el MDC para crear rásters que daban cuenta de la superficie disponible para rangos de altura, cada 4 metros a partir de los 6 metros. Una vez obtenidas las superficies por clase de altura, se calculó, la cantidad de copas factible de ser contenidas en dicha superficie usando el tamaño de copa correspondiente a árboles cuya altura total estuviese dentro del rango obtenido del DCM. Para el cálculo de los tamaños de copas (m2) se utilizó un modelo altura-diámetro de copas ajustado con datos de terreno. Para las labores de validación se calculó la cantidad de árboles por sub-parcela Nobs agregando espacialmente los datos de terreno. Obtención de variables de estructura vertical: La estructura vertical fue evaluada a través de dos variables de estado, la altura dominante de los árboles (A) y la diversidad vertical a través del índice de Shannon (S). El valor estima de alturas dominantes Aest, en cada su-parcela, se estimó utilizando los valores máximos de las pilas de cubos previamente clasificado como bosque. Los valores observados Aobs se obtuvieron de los datos de terreno. Para dar cuenta de la diversidad estructural (i.e. número de estratos verticales) se utilizó el índice de diversidad de Shannon. El valor estimado Sest se obtuvo procesando todas las pilas de cubos clasificadas como arbóreas y considerando cada cubo como una "especie" distinta y cada cuenta de puntos de la NDP como "individuos". El valor asignado a cada subparcela fue el promedio de todas las pilas consideradas. El valor observado Sobs se obtuvo clasificando la frecuencia de alturas totales en la sub-parcela en clases de 5 metros de altura a partir de las cuales se calculó en Índice de Shannon, asumiendo que cada clase corresponde a una “especie”. RESULTADOS Y DISCUSIÓN Estructura horizontal Cobertura arbórea : A nivel de sub-parcelas de 400 m2, Cest y Cobs se correlacionan linealmente con un coeficiente de determinación de 0,52 % el que se ilustra en la figura 2A. La variación de porcentajes de cobertura arbórea es homogénea y es del orden de un 30% (coeficiente de variación). 5 A Cobertura Arbórea 80 75 70 65 60 55 50 45 40 35 30 30 25 20 15 10 5 0 -5 -10 -15 -20 -25 Residuos Cest Cobertura Arbórea 20 30 40 50 60 70 80 20 30 40 50 Cobs Número de Árboles B 15 10 Residuos Nest 20 35 30 25 20 5 0 -5 -10 -15 0 10 20 30 40 50 0 10 20 30 Nobs 40 50 Nobs Altura Dominante Altura Dominante 23 22 21 20 19 18 17 16 15 14 13 12 8 6 4 Residuos Aest 80 25 15 10 5 0 2 0 -2 -4 -6 10 15 20 25 30 10 15 20 Aobs D 25 30 Aobs Índice de Shannon Índice de Shannon 1.5 1.4 1.3 0.5 0.4 0.3 1.2 1.1 1 0.9 Residuos Sest 70 Número de Árboles 50 45 40 C 60 Cobs 0.8 0.7 0.6 0.5 0.2 0.1 0 -0.1 -0.2 -0.3 -0.4 0.6 0.8 1 1.2 Sobs 1.4 1.6 1.8 0.6 0.8 1 1.2 1.4 1.6 1.8 Sobs Figura 2. A la derecha: dispersión de observados (obs) vs estimados (est) por los modelos de regresión espacial (WGR) para las cuatro variables estructuradas evaluadas. Los colores indican grupos de quintiles respecto a la media de los residuos (rojo y azul indican quintiles extremos). 6 Utilizando Cobs como valor de comparación, Cest tiende a estimar menos claros cuando la cobertura arbórea es muy alta y a estimar más claros cuando la cobertura es muy escasa, teniendo un valor similar a Cobs entorno a un 50 % de cobertura, como se observa en la figura 2A. Las diferencias obtenidas se pueden explicar por la metodología de medición: fotointerpretación, la cual presenta dificultades en los casos de cobertura arbórea extrema, ya que el conteo de puntos se realiza por comparación visual en un contexto que es la sub-parcela, siendo propenso a clasificar como claros áreas situadas en la vecindad de las copas cuando la cobertura es alta y que en realidad pueden corresponder a cobertura arbórea no observada por sombra, y a clasificar como cobertura arbórea vegetación menor cuando el terreno tiene baja cobertura. Número de árboles por unidad de superficie: Para el número de árboles estimados en las sub-parcelas, Nest y Nobs se correlacionan linealmente con un coeficiente de determinación de 0,62 % y un coeficiente de variación de 70% el que se ilustra en la figura 2B. En áreas con muy baja densidad (100 árboles por hectárea o menos) las estimaciones con LIDAR son muy parecidas a la densidad realmente medida en terreno. En áreas con baja densidad arbórea (250 árboles por hectárea) Nest tiende a estimar mas árboles que los realmente contados, situación que se revierte con altas densidades donde tiende a estimar menos árboles que los reales. Esta situación se puede explicar por varios factores: a) por el tipo de origen de los árboles y su densidad, donde la relación área disponible por clase de altura dividido por el área de copa promedio de su clase de altura varía dependiendo del tipo de bosque. En árboles aislados y originados de semilla, la cantidad de individuos es menor que en renuevos densos de igual área de copa y altura, b) por la diversidad de especies cuyos tamaños de copa difieren respecto de una misma altura, c) por la estratificación de doseles, donde las copas de los árboles dominados quedan ocultas en capas inferiores de altura. Del análisis gráfico de diferencias que se indica en la figura 2B, entre Nobs y Nest se deduce que es posible corregir las estimaciones con un modelo parabólico. Altura dominante: A diferencia de la cobertura y el número de árboles, la altura dominante caracterizada como un atributo dendrométrico –el de la altura del árbol mayor- resulta ser un valor puntual y por lo tanto sujeto a los errores propios de la identificación del individuos, los resultados de la correlación entre Aobs y Aest presentan un coeficiente de determinación de 0,42 %, con un coeficiente de variación de 22% que se ilustra en la figura 2C. Las diferencias entre Aobs y Aest tienen una tendencia a aumentar a medida que la altura máxima es creciente. Este hecho se puede explicar en parte por la estricta clasificación realizada sobre la posición y clasificación espacial de los árboles en las subparcelas, situación que es altamente dependiente del error del GPS y también por errores propios de la medición de alturas de terreno. De la observación de la gráfica de diferencias entre Aobs y Aest que se indica en la figura 2C se advierte que los sesgos pueden ser fácilmente corregidos con un modelo lineal. También se advierte algunos casos donde claramente existen discrepancias en la identificación de individuo, situación que de ser mejorada subiría notablemente la correlación de las estimaciones. La diversidad estructural del bosque medido a través de Sobs es sin duda una simplificación extrema de la realidad ya que la información del dosel arbóreo medido por la simple clasificación de alturas en frecuencias de clases resulta demasiado simple al compararla con Sest que recoge la dispersión espacial de la biomasa arbórea en su estructura vertical. De todas formas, la correlación lineal empírica entre 7 Sobs y Sest presenta un coeficiente de determinación de 0,59 %, con un coeficiente de variación de 27 % que se ilustra en la figura 2D. Las diferencias entre Sobs y Sest tienden a aumentar a medida que la diversidad de estructura vertical crece. En los rodales más homogéneos (simples y poco densos), S est es capaz de medir una mayor variación de diversidad estructural que Sobs debido a la gran cantidad de información espacial que recoge de la nube de puntos que contienen los cubos superiores a 6 metros de altura. En el otro extremo, - el de mayor diversidad vertical-,Sest registra una menor variación de diversidad estructural que Sobs el que se puede explicar por la mayor uniformidad en la ocupación espacial de la biomasa registrada en la nube de puntos. En este caso también es posible construir modelos lineales de corrección entre Sobs y Sest. CONCLUSIONES Se puede afirmar que para la caracterización de la estructura horizontal del bosque, -medida a través de la cobertura como la densidad arbórea- es posible establecer mediciones LIDAR alternativas a las mediciones que se pueden realizar con la información habitual que recogen los inventarios forestales y de forma más eficiente. Es claro que los datos LIDAR permite extraer información de muy buena calidad en la medición de la cobertura arbórea, situación que debe ser mejor explorada en el caso de la estimación de la densidad arbórea y que requiere de la construcción de algoritmos para resolver el tema de la identificación, delimitación y medición de copas de árboles individuales actualmente en desarrollo. En el caso de la estructura vertical ocurre algo similar. La medición de alturas máximas con LIDAR en las sub-parcelas es de alta precisión en comparación con las mediciones de altura de terreno. Lo mismo ocurre con la medición de la diversidad estructural donde la caracterización de los doseles a través de la nube de puntos da cuenta de una mejor caracterización que la deducible de los inventarios forestales. Las mediciones realizadas con LIDAR son transformables a estimaciones utilizadas en los inventarios forestales, lo cual permite resultados comparables con ambas metodologías. REFERENCIAS Ackermann, F., 1999. Airborne laser scanning - Present status and future expectations. ISPRS Journal Of Photogrammetry and Remote Sensing 54, pp. 64-67. Aldred, A.H. and Bonnor, G.M., 1985. Application of airborne lasers to forest surveys. Information Report PI-X-51, Canadian Forestry Service, Petawawa national Forestry Institute, 62 p. Brandtberg, T., 1999. Automatic individual tree-based analysis of high spatial resolution remotely sensed data. PhD thesis, Acta Universitatis. Agriculutae Sueciae, Silvestria 118, Swedish University of Agricultural Sciences, Uppsala, Sweden. 47 p. Brandtberg, T., Warner T., Landenberger, R., McGraw, J., 2003. Detection and analysis of individual leaf-off tree crowns in small footprint, high sampling density LIDAR data from the eastern deciduous forest in North America. Remote Sensing of Environment 85, pp. 290-303. Evans, Jeffrey S.; Hudak, Andrew T. 2007. A multiscale curvature algorithm for classifying discrete return LIDAR in forested environments. Geoscience and Remote Sensing. 45(4): 1029-1038. Holmgren, J., 2003. Estimation of forest variables using airborne laser scanning. PhD Thesis. Acta Universitatis. Agriculutae Sueciae, Silvestria 278. Swedish University of Agricultural Sciences, Umeå, Sweden. 8 Holmgren, J., Persson, Å., 2004. Identifying species of individual trees using airborne laser scanning. Remote Sensing of Environment 90, pp. 415-423. Hyyppä, J., Hyyppä, H., Maltamo, M., Yu, X., Ahokas, E., Pyysalo, U., 2003a. Laser Scanning of Forest Resources - Some of the Finnish Experience. Proceedings of the ScandLaser Scientific Workshop on Airborne Laser Scanning of Forests, September 3-4, 2003, Umeå, Sweden, pp. 53-59. Hyyppä, J. and Inkinen, M., 1999. Detecting and estimating attributes for single trees using laser scanner. The Photogrammetric Journal of Finland, 16, pp. 27-42. Isenburg, M., Liu, Y., Shewchuk, J., Snoeyink, J. y Thirion, T. 2006. Generating Raster DEM from Mass Points via TIN Streaming, GIScience'06 Conference Proceedings, pages 186-198, September 2006. Kraus, K., Pfeifer, N., 1998. Determination of terrain models in wooded areas with airborne laser scanner data. ISPRS Journal of Photogrammetry and Remote Sensing 53, pp.193¬-203. Lefsky, M. A., Harding, D., Cohen, W. B., Parker, G. and Shugart, H. H. 1999. Surface LIDAR remote sensing of basal area and biomass in deciduous forests of Eastern Maryland, USA. Remote Sensing of Environment, 67, 83– 98. Maclean, G., 1982. Timber volume estimation using cross¬sectional photogrammetric and densitometric methods, MSc thesis, University of Wiscousin, Madison, 227p. Maclean, G., Krabill, W., 1986. Gross-merchantable timber volume estimation using an airborne LIDAR system. Canadian Journal of Remote Sensing 12, pp. 7-18. Magnussen, S., Eggermont, P., LaRiccia, V.N., 1999. Recovering tree heights from airborne laser scanner data. Forest Science 45, pp. 407-422. Means, J., Acker, S., Harding, D., Blair, J., Lefsky, M., Cohen, W., Harmon, M., McKee, A., 1999. Use of large¬footprint scanning airborne LIDAR to estimate forest stand characteristics in the western cascades of Oregon. Remote Sensing of Environment 67, pp.298-308. Næsset, E., 2002. Predicting forest stand characteristics with airborne scanning laser using a practical two-stage procedure and field data. Remote Sensing of Environment 80, pp.88-99. Næsset, E., 2003. Laser Scanning of Forest Resources – the Norwegian Experience. Proceedings of the ScandLaser Scientific Workshop on Airborne Laser Scanning of Forests, September 3-4, Umeå, Sweden, pp. 35-42. Næsset, E. 1997 a. Determination of mean tree height of forest stands using airborne laser scanner data. ISPRS Journal of Photogrammetry and Remote Sensing 52, pp. 49-56. Næsset, E. 1997 b. Estimating timber volume of forest stands using airborne laser scanner data. Remote Sensing of Environment 61, pp-246-253. Næsset, E. ,Økland, T., 2002. Estimating tree height and tree crown properties using airborne scanning laser in a boreal nature reserve. Remote Sensing of Environment 79, pp. 105¬-115. Nelson, R., Krabill, W. and Maclean, G., 1984. Determining forest canopy characteristics using airborne laser data, Remote Sensing of Environment 15, pp. 201-212. Nelson, R., Oderwald, R., Gregoire, T, 1997. Separating the Ground and Airborne Laser Sampling Phases To Estimate Tropical Forest Basal Area, Volume, and Biomass. Remote Sensing of Environment 60, pp. 311-326. Nilsson, M. 1996. Estimation of tree heights and stand volume using an airborne LIDAR system. Remote Sensing of Environment 56, pp. 1-7. Nilsson, M., Brandtberg, T., Hagner, O., Holmgren, J., Persson, Å., Steinvall, O., Sterner, H., Söderman, U., Olsson, H., 2003. Laser Scanning of Forest Resources – the Swedish Experience. Proceedings of the ScandLaser Scientific. Riaño, D., Meier, E., Allgöwer, B., Chuvieco, E., & Ustin, S. L. 2003. Modelling airborne laser scanning data for the spatial generation of critical forest parameters in fire behaviour modelling. Remote Sensing of Environment, 86: 177−186. 9 Steinvall, O., 2003. Laser Systems for Vegetation and Terrain mapping – a Look at Present and Future Technologies and Capabilities. Proceedings of the ScandLaser Scientific Workshop on Airborne Laser Scanning of Forests, September 3-4, 2003, Umeå, Sweden, pp. 9-20. Wehr, A., Lohr, U., 1999. Airborne laser scanning -an introduction and overview. ISPRS Journal of Photogrammetry and Remote Sensing 54, pp. 68-82. 10